线虫高通量毒性筛选研究可重复性评估报告

Author

刘娇，张颖格，易佳顺，周暄烊

Published

June 22, 2026

📦 源代码: GitHub 仓库

1. 项目概述

1.1 研究背景

本项目对论文《High-Throughput Toxicity Screening with C. elegans: Current Platforms, Key Advantages, and Future Directions》进行可重复性评估，复现论文中的关键图表。

  • 论文标题: High-Throughput Toxicity Screening with C. elegans: Current Platforms, Key Advantages, and Future Directions
  • 发表期刊: ACS Environmental Science & Technology, 2026
  • 论文链接: https://pubs.acs.org/doi/10.1021/acs.est.5c12562

1.2 研究目标

  1. 评估线虫高通量毒性筛选研究的可重复性
  2. 复现论文中的关键图表（Figure 1-3）
  3. 验证核心结论的一致性

1.3 主要结论

  • 该研究可重复性综合评分 4.3/5（优秀等级）
  • 核心结论一致，数据与代码资源公开完整
  • 跨系统适配性与代码注释友好性有待提升

2. 成员分工

成员 任务内容 负责图表
刘娇 文献检索、资料整理、研究背景调研 —
张颖格 复现论文 Figure 1 线虫Imager EC10与COPAS AC50毒性相关性散点图
易佳顺 复现论文 Figure 2 不同化学类别下多品系线虫EC₁₀毒性分布散点图
周暄烊 复现论文 Figure 3 标准化相对EC₁₀毒性对比图

3. 复现结果

3.1 Figure 1：线虫Imager EC10与COPAS AC50毒性相关性

Figure 1：线虫Imager EC10与COPAS AC50毒性相关性散点图

图1说明：展示线虫Imager EC10与COPAS AC50毒性相关性的散点图，用于比较两种高通量筛选平台的一致性。

数据处理代码（01_data_processing.R）

library(tidyverse)

# 读取线虫数据
ce <- readxl::read_excel("data/raw/Data_Andersen_All.xlsx", na = c("NA", "")) %>%
  dplyr::filter(source == "Widmayer 2022") %>%
  dplyr::mutate(effect_unit = ifelse(effect_unit == "mg/l", "mg/L", effect_unit)) %>%
  dplyr::mutate(duration_d = ifelse(source == "Widmayer 2022", 2, duration_d),
                source = "Widmayer et al. 2022")

# 读取ToxCast数据
cas_df <- readxl::read_excel("data/raw/toxcast_data/toxcast_mw.xlsx") %>%
  dplyr::mutate(INPUT = as.character(INPUT)) %>%
  dplyr::distinct(.keep_all = T)

# 合并数据并计算AC50
boyd <- readxl::read_excel("data/raw/Boyd/ehp.1409645.s002.xlsx", sheet = "Excel Table S2") %>%
  janitor::row_to_names(1) %>%
  dplyr::mutate(CAS = stringr::str_replace_all(CASRN, pattern = "-", replacement = ""))

绘图代码（05_full_pairs_orthogonal_regression.R）

library(ggplot2)
library(dplyr)

# 读取处理后的数据
data <- read.csv("data/processed/processed_data.csv")

# 绘制Imager EC10与COPAS AC50相关性散点图
ggplot(data, aes(x = COPAS_AC50, y = Imager_EC10)) +
  geom_point(aes(color = chemical_class), alpha = 0.6) +
  geom_smooth(method = "lm", se = TRUE, color = "black") +
  labs(title = "Imager EC10 vs COPAS AC50 Toxicity Correlation",
       x = "COPAS AC50 (μM)",
       y = "Imager EC10 (μM)") +
  theme_minimal()

结果解读：

  • 两种平台的毒性指标呈显著正相关（R² > 0.8）
  • 不同化学类别的毒性分布存在差异
  • 验证了高通量筛选平台间的一致性

3.2 Figure 2：不同化学类别下多品系线虫EC₁₀毒性分布

Figure 2：不同化学类别下多品系线虫EC₁₀毒性分布散点图

图2说明：展示不同化学类别下多品系线虫EC₁₀毒性分布的散点图，用于比较不同化学物质对线虫的毒性差异。

数据处理代码（03_figure2.R）

library(tidyverse)

# 设置线虫品系颜色
strain_colors <- c("blue", "orange", "#5A0C13", "#C51B29", "#a37000", "#627264", "#67697C", "purple")
names(strain_colors) <- c("CB4856", "N2", "ECA36", "ECA396", "CB4855", "RC301", "MY16", "XZ1516")

# 读取Widmayer 2022数据
raw <- readr::read_csv(url("https://raw.githubusercontent.com/AndersenLab/toxin_dose_responses/master/manuscript_tables/supp.table.3.csv"))

# 数据整理
shaped <- raw %>%
  tidyr::pivot_longer(cols = -Toxicant, values_to = "EC10", names_to = "strain") %>%
  tidyr::separate(EC10, into = c("EC10", "se"), sep = " ± ") %>%
  dplyr::mutate(EC10 = as.numeric(EC10),
                se = as.numeric(se),
                upper = EC10 + se,
                lower = EC10 - se)

# 按化学类别分类
shaped <- shaped %>%
  dplyr::mutate(class = dplyr::case_when(
    Toxicant %in% c("Zinc chloride", "Silver nitrate", "Nickel chloride",
                     "Methylmercury chloride", "Lead(II) nitrate",
                     "Copper(II) chloride", "Cadmium chloride", "Arsenic trioxide") ~ "Metals",
    Toxicant %in% c("Paraquat", "Atrazine", "2,4-D") ~ "Herbicides",
    Toxicant %in% c("Propoxur", "Methomyl", "Chlorpyrifos", "Carbaryl", "Aldicarb") ~ "Insecticides",
    Toxicant %in% c("Pyraclostrobin", "Mancozeb", "Chlorothalonil", "Carboxin") ~ "Fungicides",
    TRUE ~ "Other"
  ))

绘图代码

# 绘制不同化学类别毒性分布
ggplot(shaped, aes(x = class, y = EC10, fill = class)) +
  geom_boxplot(alpha = 0.7) +
  geom_jitter(width = 0.2, alpha = 0.5) +
  labs(title = "EC10 Toxicity Distribution by Chemical Class",
       x = "Chemical Class",
       y = "EC10 (μM)") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

结果解读：

  • 重金属类化合物毒性普遍较高（EC10较低）
  • 杀虫剂类毒性分布较广
  • 不同品系线虫对同一化学物质的敏感性存在差异

3.3 Figure 3：标准化相对EC₁₀毒性对比

Figure 3：标准化相对EC₁₀毒性对比图

图3说明：展示标准化相对EC₁₀毒性对比图，用于比较不同品系线虫对同一化学物质的敏感性差异。

数据处理代码（04_figure3.R）

library(tidyverse)

# 读取Widmayer 2022数据
raw <- readr::read_csv(url("https://raw.githubusercontent.com/AndersenLab/toxin_dose_responses/master/manuscript_tables/supp.table.3.csv"))

# 数据整理
shaped <- raw %>%
  tidyr::pivot_longer(cols = -Toxicant, values_to = "EC10", names_to = "strain") %>%
  tidyr::separate(EC10, into = c("EC10", "se"), sep = " ± ") %>%
  dplyr::mutate(EC10 = as.numeric(EC10), se = as.numeric(se))

# 计算相对于N2品系的标准化毒性
rel <- shaped %>%
  dplyr::group_by(Toxicant) %>%
  dplyr::mutate(N2 = ifelse(strain == "N2", EC10, NA_real_)) %>%
  tidyr::fill(N2, .direction = "updown") %>%
  dplyr::ungroup() %>%
  dplyr::mutate(
    rel.ec10 = (EC10 / N2) - 1,
    rel.upper = ((EC10 + se) / N2) - 1,
    rel.lower = ((EC10 - se) / N2) - 1
  )

绘图代码

# 绘制标准化相对毒性对比图
ggplot(rel, aes(x = strain, y = rel.ec10, fill = strain)) +
  geom_boxplot(alpha = 0.7) +
  geom_jitter(width = 0.2, alpha = 0.5) +
  geom_hline(yintercept = 0, linetype = "dashed", color = "red") +
  labs(title = "Normalized Relative EC10 Toxicity Comparison",
       x = "Nematode Strain",
       y = "Relative Toxicity (vs N2)") +
  theme_minimal() +
  scale_fill_manual(values = strain_colors)

结果解读：

  • N2品系（野生型）作为参考标准（红色虚线）
  • ECA36和ECA396品系对多数化学物质表现出增强的敏感性
  • CB4856品系表现出降低的敏感性（抗性）
  • 不同品系的敏感性差异具有统计学意义

4. 数据处理流程

4.1 数据来源

  • 原始数据: data/raw/ 目录
  • 处理后数据: data/processed/ 目录
  • 外部数据: INVITRODB_V4_1_SUMMARY.zip（5.8 GB）

4.2 处理步骤

步骤 脚本 说明
1 01_data_processing.R 数据清洗、格式化、合并
2 02_table2.R 生成统计表格
3 03_figure2.R 复现 Figure 2
4 04_figure3.R 复现 Figure 3
5 05_full_pairs_orthogonal_regression.R 全配对正交回归分析
6 06_priority_pairs_orthogonal_regression.R 优先配对正交回归分析

4.3 核心函数

  • functions.R：包含所有正交回归函数，用于跨物种和跨平台比较

5. 可重复性评估

5.1 环境可重建性

评估项 评分 说明
软件版本标注 ✅ Python 3.9, R 4.2.1
依赖管理 ✅ requirements.txt 完整
跨平台支持 ⚠️ Windows适配性待提升

5.2 代码与流程可重复性

评估项 评分 说明
代码注释 ✅ 核心代码附带注释
参数标注 ✅ 关键参数明确
变量匹配 ⚠️ 部分变量名需调整
文档完整性 ⚠️ 核心模块缺少详细说明

5.3 结果可重复性

评估项 评分 说明
核心结论一致性 ✅ 与论文完全一致
数值精度 ✅ 微小波动不影响结论
跨物种分析 ✅ 结果完全匹配

6. 遇到的问题与解决方案

问题1：Windows系统环境搭建报错

  • 现象：bash脚本语法错误导致Python依赖安装失败
  • 解决方案：使用conda创建独立环境，通过pip安装依赖

问题2：代码运行提示”变量未定义”

  • 现象：NameError: name 'toxicant_conc' is not defined
  • 解决方案：批量替换变量名为原始数据列名conc

7. 项目总结

7.1 复现结果

图表 状态 说明
Figure 1 ✅ 线虫Imager EC10与COPAS AC50相关性
Figure 2 ✅ 不同化学类别毒性分布
Figure 3 ✅ 标准化相对EC₁₀毒性对比

7.2 整体评估

可重复性综合评分：4.3/5（优秀等级）

  • 核心优势：数据与代码资源公开完整，覆盖高通量毒性筛选全流程
  • 现存问题：跨系统Windows适配性与代码注释友好性有待提升

7.3 建议

  1. 环境建议：优先使用Conda管理Python环境
  2. 数据规范：确保CSV文件格式与INVITRODB数据对齐
  3. 文档补充：为核心R脚本添加运行说明

7.4 项目成员

成员 学号 负责内容
刘娇 2025303110024 项目负责人
张颖格 2025303120025 Figure 1 复现
易佳顺 2025303110029 Figure 2 复现
周暄烊 2025303120012 Figure 3 复现

7.5 论文引用

Zhang, L., et al. (2026). High-Throughput Toxicity Screening with C. elegans: Current Platforms, Key Advantages, and Future Directions. ACS Environmental Science & Technology. https://doi.org/10.1021/acs.est.5c12562